| 【中文题名】 | PCNN在生物医学图像处理中的应用研究 |
| 【英文题名】 | Study of Pulse Coupled Neural Network in Biomedical Image Processing |
| 【学科专业】 | 电路与系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-20 |
| 【中关键词】 | 数字图像,噪声滤除,图像编码,超声图像处理,脉冲耦合神经网络, |
| 【英关键词】 | Digital image processing,Noise removal,Image coding,Ultrasonic image processing,Pulse Coupled Neural Network, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 |
现代图像处理理论研究表明，新时期的数字图像处理技术要向高速度、高质量、智能化方向发展，且能够模拟生物视觉系统的处理过程。“第三代神经网络”—脉冲耦合神经网络(Pulse Coupled Neural Network，PCNN)来源于哺乳动物猫的视觉皮层神经细胞的研究成果，通过对其同步脉冲发放现象进行研究，产生了PCNN神经元模型。由于PCNN是对哺乳动物视觉系统较为精细的模拟，因此它更接近视觉系统处理图像的过程。尤其是它的非线性调制特性，在生物医学图像处理中具有广泛的应用前景。本文结合PCNN的最新理论研究成果，开展了如下的研究工作：
(1)在植物体细胞量化分析研究中，需要计算在不同发育阶段细胞内蛋白质、核酸和淀粉等生物大分子含量和分布的动态变化。整个量化分析过程中，噪声干扰的抑制起到关键性的作用。由于植物细胞切片图像具有细胞和背景相似、灰度差别小的特点，传统方法在滤除图像噪声的同时会导致细胞图像边界模糊。在研究了PCNN时空特性的基础上，本文提出了植物细胞切片图像混合噪声滤除算法。
(2)传统图像编码技术的出发点是消除图像数据的统计冗余信息，如信息熵冗余、空间冗余等。不规则区域编码... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
Abstract |
5-8 |
|
第一章 绪论 |
8-13 |
|
1.1 研究背景 |
8-9 |
|
1.2 PCNN研究进展 |
9-11 |
|
1.2.1 PCNN理论研究 |
9-10 |
|
1.2.2 PCNN应用研究 |
10-11 |
|
1.3 研究内容与论文安排 |
11-13 |
|
第二章 脉冲耦合神经网络原理 |
13-23 |
|
2.1 视觉系统研究概况 |
13-16 |
|
2.2 PCNN原理 |
16-23 |
|
2.2.1 PCNN神经元模型 |
16-18 |
|
2.2.2 PCNN参数作用分析 |
18-19 |
|
2.2.3 PCNN运行行为分析 |
19-20 |
|
2.2.4 PCNN特性分析 |
20-23 |
|
第三章 植物细胞切片图像混合噪声滤除算法 |
23-37 |
|
3.1 图像噪声类型与特征 |
23-25 |
|
3.2 噪声滤除方法 |
25-30 |
|
3.2.1 经典噪声滤波器 |
25-26 |
|
3.2.2 脉冲噪声滤波 |
26-28 |
|
3.2.3 高斯噪声滤波 |
28 |
|
3.2.4 混合噪声滤波 |
28-30 |
|
3.3 植物细胞切片图像混合噪声滤除算法 |
30-36 |
|
3.3.1 植物细胞切片图像量化分析系统概述 |
30-31 |
|
3.3.2 基于PCNN的混合噪声滤波算法 |
31-34 |
|
3.3.3 算法仿真测试 |
34-35 |
|
3.3.4 细胞切片图像滤波结果与分析 |
35-36 |
|
3.4 本章小结 |
36-37 |
|
第四章 基于PCNN的不规则区域图像压缩算法 |
37-62 |
|
4.1 图像编码概述 |
37-38 |
|
4.2 不规则区域图像编码综述 |
38-45 |
|
4.2.1 经典编码方法比较 |
38-39 |
|
4.2.2 不规则区域编码方法 |
39-44 |
|
4.2.3 不规则区域编码的展望 |
44-45 |
|
4.3 基于PCNN的不规则区域编码算法 |
45-51 |
|
4.3.1 编码原理 |
45-49 |
|
4.3.2 算法描述 |
49-51 |
|
4.4 基于TMS320C6713浮点DSP的压缩算法实现 |
51-58 |
|
4.4.1 TMS320C6713 DSK简介 |
51-53 |
|
4.4.2 算法的C语言实现与分析 |
53-55 |
|
4.4.3 CMD文件设置及CCS调试 |
55-58 |
|
4.5 实验结果与分析 |
58-61 |
|
4.6 本章小结 |
61-62 |
|
第五章 PCNN在医学超声图像处理中的应用研究 |
62-84 |
|
5.1 超声成像技术 |
62-65 |
|
5.2 医学超声图像处理技术 |
65-70 |
|
5.2.1 超声图像预处理 |
65-66 |
|
5.2.2 灰度变换操作 |
66-68 |
|
5.2.3 超声图像分割 |
68-69 |
|
5.2.4 超声图像分析 |
69-70 |
|
5.3 基于PCNN的超声图像增强算法 |
70-76 |
|
5.3.1 直方图均衡化 |
71 |
|
5.3.2 基于PCNN的图像增强算法 |
71-75 |
|
5.3.3 超声图像增强实验结果 |
75-76 |
|
5.4 超声图像边缘提取算法 |
76-83 |
|
5.4.1 图像边缘点特征分析 |
77-79 |
|
5.4.2 基于PCNN的边缘提取算法 |
79-81 |
|
5.4.3 算法仿真测试 |
81-82 |
|
5.4.5 超声图像边缘提取 |
82-83 |
|
5.5 本章小结 |
83-84 |
|
第六章 总结和展望 |
84-85 |
|
参考文献 |
85-94 |
|
攻读硕士学位期间发表的论文和取得的科研成果 |
94-95 |
|
致谢 |
95 |
|
| 【DOI】 | LunWen.ID:2.2008.368939 |
